爱看中文

sensenova－si：ai终于能看懂三维空间了（第1页）

先给你一个总览：SenseNova-SI是商汤2025年11月开源的空间智能大模型，有2B、8B两个轻量版本，在VSI、MMSI、MindCube、ViewSpatial四大权威测试里，8B版平均60.99分，把GPT-5（49.68）、Gemini 2.5 Pro（48.81）甩在身后，靠的是不堆参数堆方法，用原生多模态架构+空间专项训练，让AI真正理解三维世界，而不是只会“看图说话”。下面用大白话掰开揉碎了讲，保证你看完就懂。

一、为啥说“空间智能”是AI的命门

- AI的“老盲症”：以前的AI就是个“睁眼瞎学霸”——读书万卷、写文一流，但看三维世界一塌糊涂。比如给它一张桌子的图，它分不清哪个是正面、哪个是侧面；自动驾驶场景里，它可能把“旁边车要右转”判成“静止”，这就是行业里说的“空间认知短板”。

- 问题出在哪：传统大模型用的是“拼接式架构”，先把图片转成文字信号再解读，就像把3D电影转成2D剧本再讲给你听，中间大量空间细节全丢了，相当于让盲人靠听描述去想象魔方结构，怎么可能对。

- 为啥现在必须解决：AI要落地到自动驾驶、机器人、工业制造、3D设计这些领域，必须能跟物理世界交互，空间理解是底层能力。没有它，具身智能就是空话，机器人拿杯子会摔、自动驾驶会撞、数字人做直播动作会飘，根本没法商用。

二、SenseNova-SI到底牛在哪（数据说话）

- 核心成绩：8B版在四大空间测试中平均60.99分，比GPT-5高11+分，比同级开源模型（如Qwen3-VL-8B）高20+分；2B轻量版也照样领先不少，不是靠堆参数，是靠方法对路。

- 六大空间能力全拉满：商汤把空间智能拆成6个维度，SI模型在每个维度都有硬提升：

1. 空间测量：能算物体长宽高、距离角度，误差比GPT-5小42%，工业质检、AR测量直接能用。

2. 空间重构：给正面图能脑补侧面、背面，像搭积木一样，跨视角预测准确率比传统模型高37%，3D建模不用再拼半天。

3. 空间关系：分清“杯子在桌子上”“桌子在杯子下”，复杂场景里错误率降42%，机器人导航不迷路。

4. 视角转换：换个角度还认识同一个物体，自动驾驶里识别侧面来车更稳，不会误判。

5. 空间形变：知道物体挤压、折叠后会变成啥样，工业仿真、游戏动画制作效率翻倍。

6. 空间推理：能解决“把红色方块放蓝色方块左边，再把黄色方块放红色方块前面，黄色在蓝色的哪侧”这类问题，逻辑链比传统模型长3步以上，具身智能决策更准。

- 轻量还能打：2B、8B的参数规模，用消费级显卡（如RTX4090）就能跑，不用千亿参数的超级计算机，这才符合“工业红线”——用的成本低于创造的价值，能大规模落地。

三、技术揭秘：不堆参数，怎么实现碾压

- NEO原生多模态架构（底层革命）：不是先把图片转文字再解读，而是从Transformer底层就让视觉和语言同步处理，像人的眼睛和嘴巴一起工作，不丢空间细节。关键创新有三个：

1. 原生图块嵌入：图片像素直接映射成语义词元，不压缩、不丢细节，比传统“翻译式”架构保留**90%+**空间信息。

2. 三维旋转位置编码：视觉信号用高频编码（抓细节），语言信号用低频编码（抓逻辑），两者不打架，模型能同时“看”和“想”。

3. 混合注意力机制：每层推理都让图文信息互相“盯紧”，不是各干各的，理解更连贯。